2. 程式人生 > >(sklearn)線性判別分析LinearDiscriminantAnalysis

(sklearn)線性判別分析LinearDiscriminantAnalysis

阿新 • • 發佈：2019-01-22

class sklearn.discriminant_analysis.LinearDiscriminantAnalysis(solver=’svd’, shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001)

引數：

solver：一個字串，指定了求解最優化問題的演算法，可以為如下的值。
  • 'svd'：奇異值分解。對於有大規模特徵的資料，推薦用這種演算法。
  • 'lsqr'：最小平方差，可以結合skrinkage引數。
  • 'eigen' ：特徵分解演算法，可以結合shrinkage引數。
skrinkage：
字串‘auto’或者浮點數活者None。該引數通常在訓練樣本數量小於特徵數量的場合下使用。該引數只有在solver=lsqr或者eigen下才有意義
  • '字串‘auto’：根據Ledoit-Wolf引理來自動決定shrinkage引數的大小。
  • 'None：不使用shrinkage引數。
  • 浮點數（位於0~1之間）：指定shrinkage引數。
priors：一個數組，陣列中的元素依次指定了每個類別的先驗概率。如果為None，則認為每個類的先驗概率都是等可能的。 n_components：一個整數。指定了陣列降維後的維度（該值必須小於n_classes-1）。 store_covariance：
一個布林值。如果為True，則需要額外計算每個類別的協方差矩陣。
 warm_start：一個布林值。如果為True，那麼使用前一次訓練結果繼續訓練，否則從頭開始訓練。
 tol：一個浮點數。它指定了用於SVD演算法中評判迭代收斂的閾值。
 返回值 coef_：權重向量。 intercept：b值。 covariance_：一個數組，依次給出了每個類別煩人協方差矩陣。
 means_：一個數組，依次給出了每個類別的均值向量。
 xbar_：給出了整體樣本的均值向量。
 n_iter_：實際迭代次數。 方法 fix(X,y)：訓練模型。 predict(X)：用模型進行預測，返回預測值。
score(X,y[,sample_weight])：返回（X，y）上的預測準確率（accuracy）。 predict_log_proba（X）：返回一個數組，陣列的元素一次是 X 預測為各個類別的概率的對數值。 
predict_proba（X）：返回一個數組，陣列元素一次是 X 預測為各個類別的概率的概率值。 官方說明：http://scikit-learn.org/stable/modules/generated/sklearn.discriminant_analysis.LinearDiscriminantAnalysis.html#sklearn.discriminant_analysis.LinearDiscriminantAnalysis

相關推薦

(sklearn)線性判別分析LinearDiscriminantAnalysis

class sklearn.discriminant_analysis.LinearDiscriminantAnalysis(solver=’svd’, shrinkage=None, priors=None, n_components=None, store_covari

LDA 線性判別分析

討論 report 二維 一個 tutorial 沒有 ron get 是否 http://blog.csdn.net/porly/article/details/8020696 1. LDA是什麽 線性判別式分析（Linear Discriminant Anal

線性判別分析（Linear Discriminant Analysis-LDA）

png 數學 坐標軸 ima 特征 分析 技術 數據預處理 距離 Linear Discriminant Analysis(LDA線性判別分析) 　　用途：數據預處理中的降維，分類任務 　　目標：LDA關心的是能夠最大化類間區分度的坐標軸成分，將特征空間（數據集中的多維樣本

線性判別分析（(Linear Discriminant Analysis,LDA）

        LDA用於分類問題上，在給定一個樣本的情況下，將樣例投影到一條直線上，使得同類樣例的投影點儘可能接近，異類樣例的投影點儘可能遠離。那麼對於一個新的樣本，只要將其投影到這條直線上再根據投影點的位置即可完成分類。

線性判別分析

線性判別分析（Linear Discriminant Analysis）   在分類器的理論中，貝葉斯分類器是最優的分類器，而為了得到最優的分類器，我們就需要知道類別的後驗概率P(Ck|x)。 這裡假設fk(x)是類別Ck的類條件概率密度函式，πk 是類別Ck的先驗概率，毫無疑問有∑kπk=1

機器學習之LDA線性判別分析模型

機器學習之LDA線性判別分析模型 # -*- coding: utf-8 -*- """ Created on Wed Nov 21 21:03:14 2018 @author: muli """ import matplotlib.pyplot as plt im

機器學習——線性判別分析

文章目錄 什麼是線性判別分析 線性判別分析的作用 基本思想 如何將點投影到直線上 二分類線性判別分析 如何刻畫類別的中心點之間的距離 如何刻畫投影后相同類別的散亂程度

西瓜數 課後習題3.5 線性判別分析

import csv import numpy as np import matplotlib.pyplot as plt def readData(filename): """ 讀取資料 :param filename: csv格式資料集 :return: X:

LDA 線性判別分析模型

線性判別分析（Linear Discriminant Analysis，LDA）是一種可作為特徵抽取的技術，可以提高資料分析過程中的計算效率，同時對於不適用於正則化的模型，它可以降低模型災難帶來的過擬合。 1、LDA 的概念與 PCA 區別與聯絡 1.PCA 試圖在資

【機器學習】LDA（線性判別分析）或fisher判別分析

內容目錄： 一、LDA/fisher判別分析 二、LDA判別分析與PCA對比 一、fisher判別分析 1.首先在模式識別課程上學習的是fisher判別，LDA概念是看川大同學寫的500問接觸的，兩者是一樣的東西。 2推薦：深度學習500問 github連結形式是問答形式，初學者概念

ML-64: 機器學習之線性判別分析(Linear Discriminant Analysis)降維演算法+程式碼

線性判別分析(Linear Discriminant Analysis)降維演算法 機器學習分為監督學習、無監督學習和半監督學習(強化學習)。無監督學習最常應用的場景是聚類(clustering)和降維(dimension reduction)。聚類演算法包括

線性判別分析(Linear Discriminant Analysis, LDA）演算法分析

原文地址 LDA演算法入門 一． LDA演算法概述： 線性判別式分析(Linear Discriminant Analysis, LDA)，也叫做Fisher線性判別(Fisher Linear Discriminant ,FLD)，是模式識別的經典演算法，它是

線性判別分析（LDA）基本原理及實現

前言 在主成分分析（PCA）原理總結（機器學習(27)【降維】之主成分分析(PCA)詳解）中對降維演算法PCA做了總結。這裡就對另外一種經典的降維方法線性判別分析（Linear Discriminant Analysis, 簡稱LDA）做一個總結。LDA在模式識別領域（比如

線性判別分析LDA原理總結

　在主成分分析（PCA）原理總結中，我們對降維演算法PCA做了總結。這裡我們就對另外一種經典的降維方法線性判別分析（Linear Discriminant Analysis, 以下簡稱LDA）做一個總結。LDA在模式識別領域（比如人臉識別，艦艇識別等圖形影象識別領域）中有非常

線性判別分析（二）

4. 例項       將3維空間上的球體樣本點投影到二維上，W1相比W2能夠獲得更好的分離效果。              PCA與LDA的降維對比：              PCA選擇樣本點投影具有最大方差的方向，LDA選擇分類效能最好的方向。   

線性判別分析（Linear Discriminant Analysis）

線性判別式分析(Linear Discriminant Analysis, LDA)，也叫做Fisher線性判別(Fisher Linear Discriminant ,FLD)，是模式識別的經典演算法，它是在1996年由Belhumeur引入模式識別和人工智慧領域的。性鑑別

MATLAB實現LDA線性判別分析

程式碼如下 clear all;close all;clc; x=[0.697,0.774,0.634,0.608,0.556,0.403,0.481,0.437,0.666,0.243,0.245,0.343,0.639,0.657,0.360,0.593,0

Fisher線性判別分析

本文參考《模式識別》 張學工 以二分類介紹 fisher線性判別：把所有樣本都投影到一個方向，然後在這個一維空間中確定一個分類閾值，而fisher要找的就是這個投影方向。 衡量投影方向的標準：選擇

用Sklearn做判別分析(分類)

來自：http://cloga.info/python/2014/02/07/classify_use_Sklearn/#wat_e_12612920-6fe4-464e-a2b0-3b1f13c1a4f6_zss_ 載入資料集 這裡我使用pandas來載入資料集，資料集採用kaggle的titanic

史上最好的LDA(線性判別分析)教程

一、前言 最近由於研究需要，要用到線性判別分析(LDA)。於是找了很多資料來看，結果發現大部分講的都是理論知識，因此最後還是看的一知半解，後來終於找到了個英文的文件，作者由PCA引入LDA，看過後豁然開朗，主要是文件中有詳細的例子，為了保持原版在此就直接貼